Deteksi pernyataan

Arti konten medis sangat dipengaruhi oleh pengubah, seperti pernyataan negatif atau bersyarat yang dapat memiliki implikasi kritis jika salah direpresentasikan. Text Analytics untuk kesehatan mendukung tiga kategori deteksi pernyataan untuk entitas dalam teks:

  • Kepastian
  • Kondisional
  • Asosiasi

Keluaran pernyataan

Text Analytics untuk kesehatan mengembalikan pengubah pernyataan, yang merupakan atribut informatif yang ditetapkan ke konsep medis yang memberikan pemahaman yang lebih mendalam tentang konteks konsep dalam teks. Pengubah ini dibagi menjadi tiga kategori, masing-masing berfokus pada aspek yang berbeda, dan berisi serangkaian nilai yang saling eksklusif. Hanya satu nilai per kategori yang ditetapkan untuk setiap entitas. Nilai yang paling umum untuk setiap kategori adalah nilai Default. Respons output layanan hanya berisi pengubah pernyataan yang berbeda dari nilai default.

CERTAINTY – memberikan informasi terkait kehadiran (hadir vs. absen) konsep, dan seberapa pasti teks mengenai kehadirannya (pasti vs. mungkin).

  • Positif (Default): konsepnya ada atau terjadi.
  • Negatif: konsepnya tidak ada sekarang atau tidak pernah terjadi.
  • Kemungkinan_Positif: konsepnya mungkin ada tetapi ada beberapa ketidakpastian.
  • Kemungkinan_Negatif: keberadaan konsep tidak mungkin tetapi ada beberapa ketidakpastian.
  • Kemungkinan_Netral: konsepnya mungkin ada atau tidak ada tanpa kecenderungan ke salah satu sisi.

CONDITIONALITY– memberikan informasi mengenai apakah keberadaan suatu konsep tergantung pada kondisi tertentu.

  • Tidak ada (Default): konsepnya adalah fakta dan bukan hipotetis serta tidak bergantung pada kondisi tertentu.
  • Hipotetis: konsepnya dapat berkembang atau terjadi di masa mendatang.
  • Kondisional: konsepnya ada atau terjadi hanya dalam kondisi tertentu.

ASSOCIATION – menggambarkan apakah konsep tersebut terkait dengan subjek teks atau orang lain.

  • Subjek [Default]: konsepnya dikaitkan dengan subjek teks, biasanya pasien.
  • Orang_Lain: konsepnya dikaitkan dengan seseorang yang bukan subjek teks.

Deteksi pernyataan mewakili entitas yang dinegasikan sebagai nilai negatif untuk kategori kepastian, misalnya:

{
    "offset": 381,
    "length": 3,
    "text": "SOB",
    "category": "SymptomOrSign",
    "confidenceScore": 0.98,
    "assertion": {
        "certainty": "negative"
    },
    "name": "Dyspnea",
    "links": [
        {
            "dataSource": "UMLS",
            "id": "C0013404"
        },
        {
            "dataSource": "AOD",
            "id": "0000005442"
        },
    ...
}

Langkah berikutnya

Cara memanggil Text Analytics untuk kesehatan